| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 阿尔兹海默症的诊断研究现状 | 第11-14页 |
| 1.3 本文的主要内容及结构 | 第14-16页 |
| 第二章 张量空间模型 | 第16-40页 |
| 2.1 张量基础 | 第16-20页 |
| 2.1.1 张量的基本概念 | 第16页 |
| 2.1.2 张量的基本运算 | 第16-20页 |
| 2.2 支持张量机(SUPPORT TENSOR MACHINE)算法 | 第20-33页 |
| 2.2.1 统计学习理论 | 第20-22页 |
| 2.2.2 支持向量机(Support Vector Machine,SVM) | 第22-27页 |
| 2.2.3 支持张量机(Support Tensor Machine,STM) | 第27-33页 |
| 2.3 递归特征消除法(Recursive Feature Elimination,RFE) | 第33-39页 |
| 2.3.1 特征选择概述 | 第33-35页 |
| 2.3.2 特征评价准则 | 第35-36页 |
| 2.3.3 STM-RFE算法 | 第36-39页 |
| 2.4 本章小结 | 第39-40页 |
| 第三章 基于3D脑白质图像的阿尔兹海默症诊断 | 第40-50页 |
| 3.1 样本数据 | 第40-41页 |
| 3.2 张量构造 | 第41-43页 |
| 3.3 实验框架 | 第43-44页 |
| 3.4 实验结果及分析 | 第44-49页 |
| 3.4.1 STM与SVM对比 | 第44-46页 |
| 3.4.2 特征选择方法STM-RFE的表现 | 第46页 |
| 3.4.3 多模态特征融合的表现 | 第46-48页 |
| 3.4.4 与几种著名分类算法比较 | 第48-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 面向多种特征张量的阿尔兹海默症诊断方法探索 | 第50-59页 |
| 4.1 结合脑白质图像纹理特征张量的探索性研究 | 第50-57页 |
| 4.1.1 灰度共生矩阵 | 第51-52页 |
| 4.1.2 三维纹理特征张量的构建 | 第52-54页 |
| 4.1.3 实验结果及分析 | 第54-57页 |
| 4.2 结合脑白质和脑灰质图像的阿尔兹海默症诊断 | 第57-58页 |
| 4.3 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-62页 |
| 5.1 全文总结 | 第59-61页 |
| 5.2 工作展望 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 攻读硕士学位期间成果 | 第67-68页 |
| 致谢 | 第68-70页 |
